Karpathy 指出 LLM 能力认知鸿沟加剧：仅 0.2% 专业用户见证智能体端到端交付价值

Andrej Karpathy (@karpathy) · 2026-10-11 19

重翻这条四月的推文，因为大众对 LLM 能力认知的鸿沟正在扩大。这已不再是“两群人各说各话”，而更像是一个陡峭的漏斗。

• 粗略估算，约有 60 亿人（约占人口的 75%）几乎从未接触过 LLM。
• 约 10-20 亿人（约 20%）是 ChatGPT 类免费产品的轻度、低频用户。这群人看到的是有些“呆萌”的聊天机器人，并将其视为比 Google 搜索稍好一点的写作辅助工具等。也许有个 Agent 试图帮你订机票。我那些非技术背景的朋友（我认为他们的看法很合理）表示这东西对他们没什么用。甚至许多数学和代码领域之外的专业人士也处于这一层级。例如，高管和其他职能人员的大部分时间都在与人沟通，因此尽管他们在理智上理解正在发生什么，但这种认知仍是二手且略显抽象的。
• 接下来是在数学和代码领域专业使用前沿级 LLM 的人群。大约有 2000 万人（0.2%）亲眼见证：过去需要数周或数月才能完成的大型复杂项目，现在只需一个 Prompt 就能由 Agent 搞定。构建应用、克隆应用、移植应用、从二进制文件反编译应用……这一切发生得极快且就在近期——不到一年前，我还得手动编写代码，在编辑器里逐字符敲入记忆中的计算机指令，偶尔按一下 Tab 键来自动补全一小段代码。
• 最后，我们触及了那约 5,000 人（约 0.00006%），他们拥有内部访问前沿系统的权限。外部世界看到的只是预览版。其景象宛如成千上万个 Agent 组成的蜂群，在软件巨型项目中协作数周：挖掘零日漏洞（Zero-days）、以机器速度运行网络攻击与防御、发现新科学、推进数学前沿。这些工作若由行业顶尖专家完成，本需数年之功。与此同时，人类的审查和理解能力开始滞后。例如，人们仍在处理几个月前 OpenAI-HF 事件的“考古”工作。数学家们可能还要花上一段时间，仔细研读那 722 份关于前沿数学的手稿。

漏斗效应由多种因素共同驱动：

1. 影响程度与雄心、问题规模及时间跨度成正比。一个仅需段落式回答的问题几乎不会对系统构成压力。你需要储备大量你真正关心的宏大且棘手的问题。这一方面驱动了漏斗中“消费者 / 专业人士”维度的分化。
2. 系统能力的锯齿状波动（这一点我曾单独撰文深入探讨）。能力峰值出现在数字化、可验证且具有经济价值的领域。这是因为 LLM 的能力涌现源于在由营收潜力驱动的精选环境混合体上，针对可验证奖励进行的强化学习。这一方面主要驱动了漏斗中“领域”（例如数学和代码）维度的分化。
3. 访问权限。免费层级、付费层级、内部权限。

这就是当下的怪诞之处。公众大多尚未与这些系统进行过交互。即便有过接触，体验也往往像是一个笨拙的聊天机器人。大多数专业人士仅感受到适度的效率提升。而极少数专业人士则正经历着曲线陡然垂直上升带来的眩晕感。这一切正在同时发生。

↳ 引用 @karpathy (Andrej Karpathy): 从我的时间线来看，人们对 AI 能力的理解存在日益扩大的差距。

我认为第一个问题在于体验的时效性和使用层级。很多人去年尝试过 ChatGPT 的免费版本，并让这过度影响了他们对 AI 的看法。这一群体往往对模型的各种怪癖、幻觉等现象一笑置之。是的，我也看到了 OpenAI 高级语音模式在回答“我是该开车还是步行去洗车店”这类简单查询时出错的病毒式传播视频。但关键在于，这些免费版或已弃用的旧模型并不能反映今年最新一代前沿 agentic 模型（特别是 OpenAI Codex 和 Claude Code）的能力水平。

但这引出了第二个问题。即使人们每月支付 200 美元使用最顶尖的模型，许多能力也相对集中在高度技术化的领域，呈现出“尖峰状”分布。典型的搜索、写作、建议等查询场景，并非近期能力取得最显著、最戏剧性进步的主要领域。部分原因在于强化学习及其可验证奖励机制的技术细节；另一部分原因则是，由于这些用例无法带来同等规模的商业价值，公司在其“爬坡”优化过程中并未给予足够优先级的关注。真正的金矿在其他地方，资源也随之倾斜。

这就引出了第二类人群，他们同时满足两个条件：1) 付费并使用最前沿的 agentic 模型（如 OpenAI Codex / Claude Code），且 2) 在编程、数学和研究等技术领域进行专业应用。这一群体最容易陷入所谓的“AI 精神病态”（AI Psychosis），因为今年以来这些领域的进步堪称惊人。当你将计算机终端交给这些模型时，你可以看着它们瞬间解决那些原本预计需要数天甚至数周才能完成编程难题。正是这第二群人，赋予了 AI 能力、其发展斜率以及各类网络安全相关后果以更高的权重和严肃性。

简而言之，这两类人群其实是在各说各话。事实确实如此：OpenAI 免费且略显边缘化（？）的“高级语音模式”会在你 Instagram Reels 里那些最愚蠢的问题上栽跟头；与此同时，OpenAI 最高阶、付费的 Codex 模型却能连续运行一小时，连贯地重构整个代码库，或发现并利用计算机系统中的漏洞。这一部分确实行之有效，并取得了显著进展，这得益于两个特性：1）这些领域提供了可验证的显式奖励函数，使其易于通过强化学习进行训练（例如单元测试是否通过，相比之下，写作很难被明确评判）；2）它们在 B2B 场景中价值更高，意味着团队中最大比例的资源正专注于提升这些能力。所以我们才看到了现在的局面。